Ein interdisziplinäres Forschungsteam an der Charité – Universitätsmedizin Berlin hat ein neuartiges KI-Modell entwickelt, das Krebs auf Basis epigenetischer Muster erkennt – und das mit einer bislang unerreichten Präzision. Die Methode könnte die Krebsdiagnostik revolutionieren, insbesondere bei schwer zugänglichen Tumoren wie im Gehirn.
Das Verfahren setzt auf sogenannte DNA-Methylierungsmuster – chemische Modifikationen am Erbgut, die wie ein molekularer Fingerabdruck wirken. Diese epigenetischen Veränderungen unterscheiden sich je nach Gewebetyp und Tumorart. Das KI-System mit dem Namen „CrossNN“ ist in der Lage, diese Signaturen zuverlässig zu erkennen und zu klassifizieren.
Zuverlässigkeit über 170 Tumorarten hinweg
Insgesamt wurden über 8.000 Tumorproben zur Entwicklung und mehr als 5.000 Proben zur Validierung verwendet. Das Modell erkennt 178 verschiedene Krebsarten – mit einer Genauigkeit von bis zu 99,1 % bei ZNS-Tumoren und 97,8 % über alle getesteten Krebsformen hinweg.
Besonders hervorzuheben ist die Leistungsfähigkeit bei Hirntumoren: Diese lassen sich oft nur durch invasive Biopsien sicher diagnostizieren. CrossNN dagegen kann Tumor-DNA bereits in kleinen Mengen aus Liquor nachweisen, was eine minimalinvasive Diagnostik ermöglicht.
Die Stärken des Modells im Überblick
| Merkmal | Beschreibung |
|---|---|
| Erfassbare Tumorarten | 178 verschiedene Krebsformen |
| Probenarten | Gewebe, Blut (Flüssigbiopsie), Liquor |
| Modellgenauigkeit (gesamt) | 97,8 % |
| Genauigkeit bei ZNS-Tumoren | 99,1 % |
| Erklärbarkeit | Transparente Modellarchitektur („explainable AI“) |
| Robustheit | Funktioniert auch bei Daten unterschiedlicher Herkunft und Qualität |
Konkreter Einsatz in der Klinik
Bereits heute wird die Technologie in einzelnen Fällen eingesetzt. An der Charité konnte einem Patienten mit einem ZNS-Lymphom durch die Analyse des Nervenwassers schnell und sicher eine Diagnose gestellt werden – ohne operativen Eingriff. Die anschließende Chemotherapie konnte sofort beginnen. Dies zeigt das Potenzial für den klinischen Alltag: präzisere Diagnosen bei geringerer Belastung für Patientinnen und Patienten.
Ein weiterer Vorteil des Modells liegt in seiner Nachvollziehbarkeit. Anders als viele komplexe Deep-Learning-Ansätze ist CrossNN bewusst einfach gehalten. Die Entscheidungswege bleiben für Ärztinnen und Ärzte interpretierbar – ein wichtiger Aspekt für die klinische Akzeptanz.
Ausblick: Einsatz in der intraoperativen Diagnostik
Geplant ist nun eine Ausweitung auf weitere klinische Szenarien. In Kooperation mit dem Deutschen Konsortium für Translationale Krebsforschung (DKTK) soll die Methode deutschlandweit in Studien erprobt werden – auch intraoperativ, also direkt während einer Operation.
Besonders für die neuropathologische Diagnostik könnte dies ein Quantensprung bedeuten: Eine schnelle, präzise Bestimmung des Tumortyps bereits im OP-Saal würde chirurgische Entscheidungen maßgeblich unterstützen. Auch bei seltenen Tumorarten oder unklarer Histologie eröffnet CrossNN neue diagnostische Möglichkeiten.
Wegbereiter für eine neue Diagnostikgeneration
Die Verbindung von Epigenetik und künstlicher Intelligenz verspricht eine neue Ära der Krebsdiagnostik. Die hohe Treffsicherheit bei unterschiedlichsten Tumorarten, die Robustheit gegenüber variierenden Proben und die Nichtinvasivität machen CrossNN zu einem vielversprechenden Werkzeug – nicht als Ersatz, aber als wertvolle Ergänzung bestehender Verfahren.
Für viele Patientinnen und Patienten könnte dies künftig bedeuten: eine schnellere Diagnose, weniger invasive Eingriffe und eine passgenaue Therapie von Beginn an.
